On limits of machine learning techniques in the learning ofscheduling policies (2023)
- Authors:
- USP affiliated authors: LEJBMAN, ALFREDO GOLDMAN VEL - IME ; ROSA, LUCAS DE SOUSA - IME
- Unidade: IME
- Subjects: PROGRAMAÇÃO PARALELA; HEURÍSTICA; APRENDIZADO COMPUTACIONAL
- Language: Inglês
- Abstract: Este trabalho de iniciação científica explora a relação emergente entre a gestão de recursos em plataformas de computação de alto desempenho (HPC) e o uso de heurísticas de escalonamento derivadas da regressão para otimizar o desempenho. Pesquisas recentes mostraram que técnicas de aprendizado de máquina (ML) podem ser usadas para gerar heurísticas de escalonamento que são simples e eficientes. Este trabalho propõe uma abordagem alternativa usando funções polinomiais para gerar heurísticas de escalonamento. O polinômio mais simples mostrou-se como uma das heurísticas mais eficientes. Também avaliamos a resiliência das heurísticas derivadas da regressão ao longo do tempo. Publicamos dois artigos em workshops nacionais e internacionais com revisão por pares (Qualis-B3/B4).
- Imprenta:
- Publisher place: Porto Alegre
- Date published: 2023
- Source:
- Título do periódico: Revista Eletrônica de Iniciação Científica em Computação
- ISSN: 1519-8219
- Volume/Número/Paginação/Ano: v. 21, n. 2, p. 61-70, 2023
- Conference titles: Concurso de Trabalhos de Iniciação Científica - CTIC
-
ABNT
ROSA, Lucas de Sousa et al. On limits of machine learning techniques in the learning ofscheduling policies. Revista Eletrônica de Iniciação Científica em Computação. Porto Alegre: Instituto de Matemática e Estatística, Universidade de São Paulo. Disponível em: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419. Acesso em: 29 set. 2024. , 2023 -
APA
Rosa, L. de S., Carastan-Santos, D., Goldman, A., & Trystram, D. (2023). On limits of machine learning techniques in the learning ofscheduling policies. Revista Eletrônica de Iniciação Científica em Computação. Porto Alegre: Instituto de Matemática e Estatística, Universidade de São Paulo. Recuperado de https://sol.sbc.org.br/journals/index.php/reic/article/view/3419 -
NLM
Rosa L de S, Carastan-Santos D, Goldman A, Trystram D. On limits of machine learning techniques in the learning ofscheduling policies [Internet]. Revista Eletrônica de Iniciação Científica em Computação. 2023 ; 21( 2): 61-70.[citado 2024 set. 29 ] Available from: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419 -
Vancouver
Rosa L de S, Carastan-Santos D, Goldman A, Trystram D. On limits of machine learning techniques in the learning ofscheduling policies [Internet]. Revista Eletrônica de Iniciação Científica em Computação. 2023 ; 21( 2): 61-70.[citado 2024 set. 29 ] Available from: https://sol.sbc.org.br/journals/index.php/reic/article/view/3419 - Escalonamento com consciência energética para fluxos de trabalho científicos sem servidor: uma abordagem de aprendizado de máquina
- In search of efficient scheduling heuristics from simulations and machine learning
- An experimental analysis of regression-obtained HPC scheduling heuristics
- Exploring simplicity and efficiency: regression-based scheduling heuristics in HPC
- Approximating the discrete resource sharing scheduling problem
- Introdução à computação heterogênea
- Useful statistical methods for human factors research in software engineering: a discussion on validation with quantitative data
- Thematic series on service composition for the future internet
- A multithreaded resolution of the service selection problem based on domain decomposition and work stealing
- Improving the performance of actor model runtime environments on multicore and manycore platforms
Download do texto completo
Tipo | Nome | Link | |
---|---|---|---|
3194011.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas